专题三2：面向对象信息提取共52页文档
实验3面向对象图像特征提取
面向对象图像特征提取面向对象分类技术集合临近像元为对象用来识别感兴趣的光谱要素，充分利用高分辨率的全色和多光谱数据的空间、纹理和光谱信息对图像分割和分类，以高精度的分类结果或者矢量输出。
❶发现对象①启动ENVI EX，在ENVI EX中，选择File >> Open>>选择目录：D:\遥感数字图像处理实验\实验数据\面向对象图像特征提取，选择qb_colorado.img图像文件，打开图像文件。
Qb_colorado.img②在ENVI EX 中，双击Toolbox中的Feature Extraction ，选择输入文件qb_colorado.img如下图，单击Select Additional Files 前的三角形符号。
Base Image : 必选项，基本图像数据。
Ancillary data (辅助数据)：可将栅格文件作为辅助数据加入FX中，以提高提取精度，如高程数据等。
Mask file (掩膜文件)：定义Base Image 的掩膜区，只提取感兴趣区域的特征。
这里我们只选择一个图像数据作为Base Image ,不选择掩膜文件和辅助数据。
③单击OK ，进入下一步操作。
设定分割阈值❷图像分割①在scale level 项中，通过滑块或者手动输入一个分割阈值。
这里我们选择经验值40.②单击select onput bands 下的按钮，可以选择波段，这里我们选择默认波段。
③将Preview 前的复选框打钩，在zoom图像显示区出现一个矩形预览区。
如下图分割效果预览④设置好参数后单击Next按钮，只是FX生成一个Region means 图像自动加载到图层列表中（Layer manager ）并在窗口中显示。
它是分割后的结果，每一分割块被填充上该块图像的平均光谱值。
❸合并分块1、在Merage level 项中，通过滑块或者手动输入一个分割阈值。
值越大被合并的块越多,这里我们输入94.0设定分块合并阈值2、单击Next 按钮，进入下一步❹分块精炼①单击Thresholding (advanced)选项，在Thresholding选项中，可以设定灰度值的范围，这里我们直接选择No Thresholding (default)。
面向对象的高分辨率遥感影像信息提取_以耕地提取为例
面向对象的高分辨率遥感影像信息提取)))以耕地提取为例李敏¹,º,崔世勇º,李成名º,印洁º,李云岭¹(¹山东科技大学测绘学院,青岛266510;º中国测绘科学研究院,北京100039)摘要:随着高分辨率遥感影像的广泛应用,面向对象的高分辨率影像信息提取技术得到了迅速发展。
本文着重讨论面向对象的高分辨率遥感信息提取的关键技术,探索了面向对象的影像分析软件eCognition 在耕地信息提取方面的最优参数选择,并且从IK ONO S 影像中提取的耕地信息与传统分类方法的提取结果进行对比。
试验结果表明该方法具有较高的精度。
关键词:面向对象;高分辨率;信息提取;eCognit ion中图分类号:T P751 文献标识码:A 文章编号:1000-3177(2008)100-0063-04收稿日期:2008-03-03修订日期:2008-05-04作者简介:李敏(1983~),女,硕士,主要从事地理信息与遥感应用研究。
E -m ail:limin82128@1 引 言随着高分辨率遥感卫星的发展,具有丰富的几何结构和纹理信息的高分辨率遥感影像扩充了人们的视野,同时又为遥感信息提取技术提供了新的发展机遇。
传统的遥感信息提取方法都建立在像素的统计特征基础上,很少利用地物的形状、几何结构等信息,分类精度较低、效率不高,而且依赖解译人员,很大程度上不具备重复性。
为了更好地利用高分辨率遥感影像的丰富信息,实现高分辨率遥感影像的信息提取,面向对象的影像分析方法应运而生,它所处理的信息不再是低层次的像素,而是经过多尺度分割之后的目标对象。
与像素层面的分析方法相比,影像分析和理解的层次有了很大的提高和进步。
尤其是第一个面向对象的影像分析软件eCognitio n 的出现,更加速了该方法的发展。
本文就基于eCog nition 进行研究。
2 面向对象的信息提取技术2.1面向对象信息提取技术发展历程早在20世纪70年代面向对象的信息提取方法就被应用于遥感影像的解译中,Ketting and Land -g rebe(1976)提出了同质性对象提取的优点,并提出了一种分割分类算法)))ECH O (Ex tr actio n andClassificatio n o f H omog enous Objects)[1]。
面向对象的红树林信息提取
１ 引 言
红树林信息。本文利用 的面 向对象的方法 ， 实现了
红树 林 的 自动提 取 ， 海 岸带 红 树 林 进 一 步 研 究 提 为
（ 中国测绘科学研究院 ， 北京 １０ ３ ） ００ ９
摘要 ： 红树林 是世 界上最重要的生态系统之一 ， 对于海岸带 的保护起着非常重要 的作 用。然而 ， 由于红树林所 处 的地理环境 ， 对其进行实地调查是很 困难的。遥感 的出现 ， 为我 们研究 红树林 提供 了一个很 好 的技 术手段 。但
由于红树林分布于潮间带 ， 野外调查工作十分 困难 ， 工作量大 ， 费用高 ； 其次红树林地势平坦 ， 用传 统的资源调查方法难 以准确定位和勾绘 。因此 ， 国 内外对红树林的研究大多采用遥感的方法 。但传统 的信息提取方法大部分是面 向像元 的统计方法 ， 这 些方法对于中低分辨率 的卫星影像 比较适用 ， 但对 于高分辨率卫 星数 据并不适用 。由于红树林 的 Ｊ 光谱信息与其他植被 的光谱 信息非常相似 ， 利用传
红树林生态系统是地球上生产力最高的海洋四 大生态系统之一 ， 国际上生物 多样性保护和湿地 是 生态保护的重要对象 ， Ｊ已成为近年来 国际上普遍
关 注 的环境 资源 热点 问题 之一 。红 树林 有着 特 殊 的
供 了一个很好的方法 。
２ 研究 区域 概 况及 实验数 据
本文选取有代表性 的东寨港部分 区域作为研究
图 １ ｂ 研究 区域部分全色影像 （）
对红树林 的提取很难在一种尺度上完成 ， 了更高 为 精度的提取 红树林 信息 ， 利用最大面 积法 ， 确定 最 优 的分割 尺度 为 １０和 １０ 其 中 ，５ ０ ５， １０主 要 针 对
面向对象的子实体信息提取技术及其应用
要
类 及 其 功 能 。Ｏ ｊｃＡ Ｘ 还 提 供 丁 对 面 向 对 象 Ｄ ｂｅ ｔ Ｒ ＷＧ 数 据 库 的
１ 传 统 的 实 体 信 息 获 取
Ａｕｏ Ａ 的 实 体 数 据 是 以 Ｄ Ｆ （ ｒｗ ｎ ｘ ｈ ｎ ｅ Ｆｌ ） ｔＣ Ｄ Ｘ Ｄ ａ ｉｇ Ｅ ｃ ａ ｇ ｉ ｅ 格 式 存 放 的 。 Ｄ Ｆ格 式 是 特 定 版 本 Ａ ｔ ＡＤ 图 形 文 件 中 所 包 Ｘ ｕｏ Ｃ 含 的 伞 部 信 息 的 标 记 数 据 的 一 种 表 示 方 法 。 统 的 实 体 数 据 获 传 取 是 使 用 ＡＲ 中 的 实 体 通 用 数 据 函 数 Ａ Ｄ Ｅ ｔｅ（ 检 索 指 定 Ｘ ｃ ｂ ｎｇ ｔ ） 的实体 名 ，然后 以数据 链表 的形式 返 回指定 实体 的定 义数 据 。
台 作 为 支 撑 的 软 件 开 发 模 式 占 有 优 势 地 位 。 ｕ ｏ Ａ 以其 功 能 Ａ ｔＣ Ｄ
干 涉 其 内 部 数 据 。 对 于 不 同 版 本 的 Ａ ｔＣ Ｄ， 次 开 发 的应 用 ｕｏ Ａ 二 程 序 的 升 级 工 作 也 比较 烦 琐 。
强 ， 户 界 面 友 好 及 二 次 开 发 工 具 齐 全 等 优 点 ， 频 频 地 用 于 用 被 机 械 设 计 软 件 ， 内 装 饰 软 件 ， 具 设 计 软 件 等 专 业 化 的 软 件 室 家
维普资讯
面 向对 象 的 子 实体 信 息 提 取 技 术 及 其应 用
先志玲 何玉林 付红桥 刘 雪梅 （ 庆 大 学机 械 工 程 学 院 ， 重 重庆 ４ ０ ４ ０ ０ ４）
专题三2：面向对象信息提取
邓书斌
主要内容
• 1、基于专家知识的决策树分类 • 2、面向对象的影像特征提取 • 3、基于立体像对的DEM提取 • 4、多时相影像动态检测技术
1、基于专家知识的决策树分类
专家分类与决策支持系统
• 根据光谱特征、空间关系和其他上下文关系归类像元
+
DEM
+
Road
+
+
Map ？Zoning
2、面向对象的影像特征提取
面向对象的图像分析
• 面向对象的技术 – 集合临近像元为对象用来识别感兴趣的光谱要素 – 充分利用高分辨率的全色和多光谱数据，利用空间，纹理，和光谱信息 来分割和分类的特点 – 以高精度的分类结果或者矢量输出
• 分为两个部分 – 发现对象 – 特征提取
发现对象
FX操作流程影像分割 合并分块 精炼分块 计算属性
直接输出矢量
• 输出Shapefile矢量文件 • 属性
监督分类法特征提取
• 根据一定样本数量以及 其对应的属性信息，利 用K邻近法和支持向量 机监督分类法进行特征 提取。
规则分类法特征提取
• 每一个分类有若干个规 则（Rule）组成，每一 个规则有若干个属性表 达式来描述。规则与规 则直接是与的关系，属 性表达式之间是并的关 系。
• FX利用了 Full Lambda-Schedule算法，该方法在结合光谱和空 间信息的基础上迭代合并邻近的小斑块。
• 这一步是可选项，如果不需要可以直接跳过。
分块精炼
• FX提供了一种阈值法（Thresholding）进一步精炼分块的方法。 它是基于亮度值的栅格操作，根据分割后结果中的一个波段的 亮度值聚合分块。对于具有高对比度背景的特征非常有效（例 如，明亮的飞机对黑暗的停机坪）。
面向对象知识点归纳总结
面向对象知识点归纳总结一、面向对象的基本概念1、对象和类对象是现实世界中事物的抽象，在程序中则是指具有特定属性和行为的数据结构。
而类则是对象的蓝图，它定义了对象的属性和行为。
一个类可以实例化出多个对象，这些对象都具有相同的属性和行为。
2、封装封装是面向对象的概念之一，它指的是将数据和操作数据的方法封装在对象中，使对象对外部的访问受到限制。
这样可以保护数据的完整性，同时也可以隐藏对象的内部细节，对外部世界提供接口进行访问。
3、继承继承是面向对象的另一个基本概念，它指的是一个类可以从另一个类派生出来，并且具有被继承类的属性和方法。
继承可以实现代码的重用，同时也可以构建类的层次结构，方便管理和维护代码。
4、多态多态是指同一个方法在不同的对象上有不同的行为。
在面向对象的编程中，多态可以通过函数重载、运算符重载和虚函数等方式来实现。
这样可以提高代码的灵活性和可扩展性。
二、面向对象的三大特性1、封装如前所述，封装是将数据和操作数据的方法封装在对象中，对外部提供接口进行访问。
封装可以保护数据的完整性，同时也可以隐藏对象的内部细节。
2、继承继承是一种对象间的关系，它可以实现代码的重用并构建类的层次结构。
通过继承，子类可以继承父类的属性和方法，并且可以通过重写父类的方法来实现特定的行为。
3、多态多态是指同一个方法在不同的对象上有不同的行为。
多态可以通过函数重载、运算符重载和虚函数来实现。
多态可以提高代码的灵活性和可扩展性。
三、面向对象的设计原则1、单一职责原则（Single Responsibility Principle，简称SRP）单一职责原则指的是一个类只负责一个功能或者只作为一个职责。
这样可以使类的结构更加清晰，方便代码的维护和扩展。
2、开闭原则（Open Closed Principle，简称OCP）开闭原则指的是软件实体（类、模块、函数等）应该对扩展开放，对修改关闭。
这样可以使系统更加稳定和可扩展。
3、里氏替换原则（Liskov Substitution Principle，简称LSP）里氏替换原则指的是子类可以替换父类出现的任何地方，并且可以保证程序的行为不变。
第1章 面向对象需求收集与确认共51页文档
2020/5/28
12/50
第1章 面向对象需求收集与确认
1.4 本质用例建模(Cont.)
3. 确定用例(以大学课程系统为例) 方法1：Constantine & Lockwood确定用例的方法.
从参与者角度,向领域专家提出问题,确定可能的用例. 例:从参与者学生的观点,可发现大学课程系统中的学生:
需要注册、参加、退出某一课程 需要可供选择讨论班的列表 需要确定讨论班的基本信息 需要注册某个讨论班,参加讨论班,退出讨论班,完成讨论
包(Package) :将模型分组组织起来(子系统).
2020/5/28
Actor
UseCase
Package 8/50
第1章 面向对象需求收集与确认
1.4 本质用例建模(Cont.)
一个简单的大学课程的用例图
注意: 用例模型应反映用户的要求,而不是反映开发人员的愿望.
2020/5/28
9/50
会谈内容和意义
通报何时整理完成会谈记录,并
会谈前几小时确认会谈 告之将发给与会人
是否如期进行
善于区分“需要”和“希望”
会谈开始简要说明要讨 论的问题及所需时间
做好用户“需要”的,不做 用户“想要”的
2020/5/28
5/50
第1章 面向对象需求收集与确认
1.3 基本需求收集技术 (Cont.)
1.1 需求分析的目的和基本过程
需求分析的主要过程 收集需求 表示需求 分析需求
评审需求 确认需求
收集需求
通过与领域专家及用户沟通,收集他们对系统的要求.
表示需求 领域建模: 表示重要业务领域的概念及其关系 用例建模: 表示系统必须支持的功能需求和行为需求 用户界面原型: 表示用户界面模型
面向对象信息提取的共性技术研究
Ｎｏ ５ ．
中 图 分类 号 ：Ｄ ５ ． ，２ Ｔ ３３６Ｐ３
文献 标 识 码 ： Ａ
面 向 对 象 信 息 提 取 的 共 性 技 术 研 究
魏金 明 ， 吴闯 ， 仲伟政
（ 济南 市 勘 察 测绘 研 究 院 ， 山东 济 南 摘 ２０１） ５ ０ ３ 要： 面向 对 象 的信 息提 取 方 法 已成 为 高分 辨 率遥 感 影 像 信 息 提 取 研 究 的 热 点 ， 多 学 者 利 用 该 方 法 对 遥 感 影像 许
果的精度和准确性进 行 了肯定 。Ｑａ ｕ利用面 向对 ｉ Ｙ ｎ 象分类方法 ， 用航 空高分辨率遥感 影像进 行 了森林 资源 的调查 ， 分类数量达 到 ４ ３个 ， 得 了比较满意 的结果 。 取
虽然许多学者利用该方法对遥感影像进行分类和信息提
取， 并取得 了很好 的效 果。但 目前还 没有人对 其共 性技 术进行系统的总结。文 中总结 了基于对象的遥感影像 信
进 行 分 类和 信 息 提 取 ， 取 得 了很 好 的 效果 。但 目前 还 没 有 人 对 其 共 性 技 术 进 行 系统 的 总 结 。 本 文 总 结 了面 向 对 象 并
的 遥 感 影像 信 息 提 取 通 用技 术流 程 ， 并对 其 中的 共性 技 术 如 影 像 分割 、 特征 定 义及 选 取 、 像 分 类 等做 以相 关的 介 绍 。 影 关 键词 ： 向 对 象 ； 息提 取 ； 分辨 率 ； 像 分 割 ； 像 分 类 面 信 高 影 影
３ 共 性 技术
在面 向对象 的信 息提 取技 术 流 程 中 总 结 了面 向 信息 提取 方 法 的共性 技 术 它 包 括 ： 据准 备 ， 数 影像 多
， ，
envi基于规则的面向对象信息提取原理
envi基于规则的面向对象信息提取原理面向对象信息提取是指从文本中自动抽取和理解结构化的信息，以便支持各种应用程序，如搜索引擎、问答系统和信息检索等。
基于规则的面向对象信息提取原理是一种常见的信息提取方法，它通过事先定义的规则来识别和提取文本中的信息。
本文将首先介绍面向对象信息提取的基本概念，然后详细分析基于规则的面向对象信息提取原理，最后探讨该方法的优缺点和应用场景。
一、面向对象信息提取的基本概念面向对象信息提取是一种自然语言处理技术，它通过分析文本中的句子结构和语义关系，从中提取出特定的实体和关系，如人名、地点、组织、事件等。
以下是面向对象信息提取的基本概念：1.信息提取的目标：信息提取的目标是从非结构化文本中获取结构化的信息。
这些信息可以用于构建知识图谱、语义搜索等应用。
2.实体和关系：在信息提取中，实体是指文本中具体的事物，如人名、地点、组织等；关系是指实体之间的联系，如工作关系、上下级关系等。
3.文本分析技术：信息提取通常需要借助自然语言处理和机器学习技术，如词法分析、句法分析、语义分析等，来识别文本中的实体和关系。
4.应用场景：面向对象信息提取可以应用在诸如搜索引擎、智能问答系统、信息检索等各种应用中，为用户提供更加准确和个性化的信息。
二、基于规则的面向对象信息提取原理基于规则的面向对象信息提取是一种基于事先定义的规则来识别和提取文本中的信息的方法。
以下是该方法的基本原理：1.规则定义：首先需要定义一系列规则来识别文本中的实体和关系。
这些规则可以是基于词法、句法、语义等多种信息的匹配和匹配规则。
2.文本解析：接下来需要对文本进行解析，通过自然语言处理技术和机器学习算法来识别文本中的实体和关系，以及它们之间的语义关系。
3.规则匹配：在文本解析的基础上，利用事先定义的规则来匹配文本中的实体和关系，从而提取出需要的信息。
4.信息提取：最后，通过规则匹配得到的结果，提取出文本中的结构化信息，如人名、地点、事件等。
面向对象的多尺度水体信息提取
面向对象的多尺度水体信息提取岁秀珍;阮仁宗;马荣华;夏双【摘要】以安徽省阜阳市阜南县东南部为研究区,利用LandsatTM数据,基于面向对象的多尺度分类方法,选取合适的分割尺度创建分类对象;通过分析研究区各种地物复杂的光谱响应特征,建立水体信息提取的知识规则集,对研究区水体进行提取研究。
研究表明,与传统的利用单波段和NDWI等方法所提取的水体相比,规则推理法在提取水体时可以消除一些影像上其他干扰信息的影响,取得较好的提取效果和精度。
除此之外,该方法简单易行,水体提取的规则集对于用户来说是透明的,易于理解。
【期刊名称】《地理空间信息》【年(卷),期】2012(010)006【总页数】4页(P72-75)【关键词】规则推理;K-T变换;多尺度分割;面向对象【作者】岁秀珍;阮仁宗;马荣华;夏双【作者单位】河海大学地球科学与工程学院,江苏南京210098;河海大学地球科学与工程学院,江苏南京210098;中国科学院南京地理与湖泊研究所,江苏南京210008;河海大学地球科学与工程学院,江苏南京210098【正文语种】中文【中图分类】P237水文水资源已经成为遥感研究的重要分支之一。
通过对遥感影像的分析，获得水体的分布，从而对一个地区的水资源和水环境等进行评价，为水利、交通、航运及资源环境等部门提供决策服务。
常用的遥感影像水体提取方法主要是分析水体及背景地物的光谱值，利用单个波段或者是不同波段的组合来提取影像中的水体信息，从而达到所需效果。
对于水体信息的提取国内外学者进行了大量深入的研究，目前常用的方法有：单波段阈值法、比值法、差值法、归一化水体指数法等。
Juppd等通过分析TM影像光谱直方图，选取TM 7波段阈值进行水体信息的提取，单波段法简单易行但混分现象严重，精度不高[1]。
杨存建等基于TM影像，利用TM2+TM 3>TM 4+TM 5的波段组合特征有效提取了水体信息[2]；M cFeeter根据TM 2、TM 4波段间的关系，提出归一化水体指数 NDW I提取水体信息，该方法可以抑制土壤和植被信息，但难以抑制建筑物的信息[3]；徐涵秋在NDW I的基础上提出改进的归一化水体指数MNDW I，在城区结合MNDW I的阈值提取水体信息取得了很好的效果[4]，提取精度明显提高；都金康基于 SPOT影像的决策树对水体进行识别，该方法可以有效地去除山体阴影[5]；徐涛等采用面向对象的城市水体信息提取方法，该分类方法消除单纯利用光谱信息的缺陷，提高了分类精度[6]。
面向对象的特征提取原理
面向对象的特征提取原理
面向对象的特征提取原理是指利用面向对象的方法将数据中的特征提取出来的过程。
在面向对象的编程中，一个对象通常由属性和方法组成。
属性是对象的特征，而方法是对象的行为。
在特征提取中，可以将数据中的属性作为对象的特征，并利用方法来提取这些特征。
具体而言，面向对象的特征提取原理包括以下几个步骤：
1. 定义对象类：首先需要定义一个对象类，包括对象的属性和方法。
属性可以是数据的某些特征，例如长度、宽度、颜色等等。
方法可以是对属性进行操作或计算的功能，例如计算面积、计算周长等等。
2. 创建对象实例：根据定义的对象类，创建对象的实例。
实例可以看作是具体的对象，拥有类定义的属性和方法。
3. 提取特征：利用对象的方法来提取特征。
方法可以对对象的属性进行操作，获取特定的信息或计算出具体的特征。
例如，可以利用对象的计算面积的方法来提取面积特征。
4. 存储特征：将提取得到的特征存储起来，可以作为后续数据处理、分析和应
用的输入。
通过面向对象的特征提取原理，可以将具有相似特征的数据归类为同一种类别，从而方便后续的数据处理和应用。
此外，面向对象的特征提取还可以提高代码的可重用性和可维护性，使程序更加清晰和易于理解。
面向对象信息提取的共性技术研究
面向对象信息提取的共性技术研究魏金明;吴闯;仲伟政【摘要】面向对象的信息提取方法已成为高分辨率遥感影像信息提取研究的热点,许多学者利用该方法对遥感影像进行分类和信息提取,并取得了很好的效果.但目前还没有人对其共性技术进行系统的总结.本文总结了面向对象的遥感影像信息提取通用技术流程,并对其中的共性技术如影像分割、特征定义及选取、影像分类等做以相关的介绍.【期刊名称】《城市勘测》【年(卷),期】2010(000)005【总页数】4页(P100-103)【关键词】面向对象;信息提取;高分辨率;影像分割;影像分类【作者】魏金明;吴闯;仲伟政【作者单位】济南市勘察测绘研究院,山东,济南,250013;济南市勘察测绘研究院,山东,济南,250013;济南市勘察测绘研究院,山东,济南,250013【正文语种】中文【中图分类】TD353.6;P23遥感数据获取技术的快速发展，尤其是高分辨率遥感影像的大量出现，大大推动了遥感数据在多个行业部门的广泛应用。
高分辨率遥感影像提供了比中低分辨率遥感影像更多的信息(纹理、形状、拓扑等)。
针对高分辨率遥感数据的特点，一些学者提出了面向对象的信息提取方法[1]。
该方法不仅利用地物的光谱信息，更多的是利用其几何信息和结构信息，可以弥补传统的基于像元的信息提取方法的不足，从高分辨率影像上提取更精细更丰富的地物信息，提高分类精度，更好地为各个领域的研究提供支持。
目前，已有许多专家对面向对象的方法进行了研究，如Willhauck等采用面向对象的影像分析方法，集合了多种数据如ERS SAR影像、植被图及NOAA数据完成了印尼在1997年与1998年严重森林火灾后的制图任务[2]。
Huang Huiping 等进行了相关的实验，对面向对象分类结果的精度和准确性进行了肯定[3]。
Qian Yu利用面向对象分类方法，用航空高分辨率遥感影像进行了森林资源的调查，分类数量达到43个，取得了比较满意的结果[4]。
影像信息提取之——面向对象特征提取
同物异谱，同谱异物”会对影像分类产生的影响，加上高分辨率影像的光谱信息不是很丰富，还有经常伴有光谱相互影响的现象，这对基于像素的分类方法提出了一种挑战，面向对象的影像分类技术可以一定程度减少上述影响。
本专题以ENVI中的面向对象的特征提取FX工具为例，对这种技术和处理流程做一个简单的介绍。
本专题包括以下内容：●面向对象分类技术概述● ENVI FX简介● ENVI FX操作说明1、面向对象分类技术概述面向对象分类技术集合临近像元为对象用来识别感兴趣的光谱要素，充分利用高分辨率的全色和多光谱数据的空间，纹理，和光谱信息来分割和分类的特点，以高精度的分类结果或者矢量输出。
它主要分成两部分过程：对象构建和对象的分类。
影像对象构建主要用了影像分割技术，常用分割方法包括基于多尺度的、基于灰度的、纹理的、基于知识的及基于分水岭的等分割算法。
比较常用的就是多尺度分割算法，这种方法综合遥感图像的光谱特征和形状特征，计算图像中每个波段的光谱异质性与形状异质性的综合特征值，然后根据各个波段所占的权重，计算图像所有波段的加权值，当分割出对象或基元的光谱和形状综合加权值小于某个指定的阈值时，进行重复迭代运算，直到所有分割对象的综合加权值大于指定阈值即完成图像的多尺度分割操作。
影像对象的分类，目前常用的方法是“监督分类”和“基于规则（知识）分类”。
这里的监督分类和我们常说的监督分类是有区别的，它分类时和样本的对比参数更多，不仅仅是光谱信息，还包括空间、纹理等对象属性信息。
基于规则（知识）分类也是根据影像对象的属性和阈值来设定规则进行分类。
表1为三大类分类方法的一个大概的对比。
全名叫“面向对象空间特征提取模块—Feature Extraction”，基于影像空间以及影像光谱特征，即面向对象，从高分辨率全色或者多光谱数据中提取信息，该模块可以提取各种特征地物如车辆、建筑、道路、桥、河流、湖泊以及田地等。
该模块可以在操作过程中随时预览影像分割效果。
面向对象完整资料
一、和传统的结构化方法相比，面向对象提出哪些新的概念1．和传统的结构化方法相比，OO提出了一些新的概念：1）对象——对客观事物的描述，包括对象的属性、方法（服务）、标示等；2）类——对一类对象的归纳、分类、抽象，类可分为一般类、特殊类、抽象类等；3）封装——结合对象的属性，对外隐藏内部细节；4）继承——继承已有类的特性，并进行扩展；5）消息——向对象发出的服务请求；6）结构与连接——用于描述问题的多对象的构成方式，对象间的联系；7）多态——一般类中的各属性或方法（服务）被继承后表现出不同数据类型或不同的行为；8）永久对象——生存期可以超越程序的执行时间而长期存在的对象；9）主动对象——是一组属性和一组方法（服务）的封装体，其中至少有一个方法（服务）不需要接受消息就能主动执行。
2．OO方法和结构化方法的区别：1）在分析阶段，传统方法以功能、数据或数据流为中心，建立一套分析方法，无法直观地反应客观世界的问题域；OOA模型将客观事物及其相互关系作了直观的映射，比传统方法更自然。
2）在设计阶段，传统方法从需求分析出发，进行一系列的规范化设计。
而由于结构化分析到设计所使用的表示方法不一致，需要进行转换，造成“分析与设计的鸿沟”；OOA针对客观事物形成的问题域运用OO方法，而OOD则是针对系统的一个具体实现运用OO方法，OOA和OOD采用的表示法一致，OOA向OOD自然过渡。
3）在编码阶段，传统方法往往需要程序员重新理解系统分析和设计的结果，造成浪费且容易出现理解的偏差；OO方法则可以直接从分析、设计的结果中提炼出编码所需的程序要素（比如类、继承等），而无需程序员过多的重复思考遗留问题。
4）在测试阶段，OOT更容易从OOA/OOD模型中获得信息，检查程序与模型不匹配的错误。
而这一点传统方法难以达到的。
5）在维护阶段，传统方法各阶段形成的文档存在较大的；形势差异，为维护工作带来相当大的困难；而OO方法由于表现形式的一致和数据封装特性，使得维护工作更容易，并可在更大程序避免“牵一丝而动全局”的“波动效应”。
面向对象特征提取
面向对象特征提取1、启动eCognition，选择Rule Set Mode。
2、新建工程：File -> New Project或者点击按钮，选择影像or_196560080.tif，确定。
3、界面布局：选择Classification -> Class Hierarchy，打开类层次视图；选择Image Objects -> Image Objects Information，打开目标信息视图；选择Process -> Process Tree，打开进程树视图；选择Tools -> Feature View，打开特征视图。
通过拖拽，形成下面的工作界面：4、设置尺度参数：设置三个分割尺度，分别是100，70，50，三个尺度对应的层次分别命名为L1，L2，L3。
5、第一尺度（100）分割：在Process Tree中右键，选择Append New，在Algorithm中选择Segmentation -> multiresolution segmentation，Image Object Domain中选择Pixel Level，而Algorithm parameters中的Level Name命名为L1，Scale Parameter设为100，Shape设为0.2，Compactness设为0.5，如下图所示：点击OK后，Process Tree中会多出一条记录，如下：在该记录上点击右键，选择Execute，即按照设定的参数进行分割，分割的效果如下：6、第二尺度（70）分割：在eCognition的尺度分层规则中，大尺度对应的层摆在最上面，小尺度的层摆在下面。
在Process Tree中右键，选择Append New，在Algorithm中选择Segmentation -> multiresolution segmentation。
由于第二尺度对应为第二层次，因此其应该在第一层（L1）下面，所以Image Object Domain中选择image object level，Level设置为L1，而Algorithm parameters中的Level Name命名为L2，Level Usage 设置为Create below，Scale Parameter设为70，Shape设为0.2，Compactness设为0.5，如下图所示：按第5步的步骤运行该尺度的分割，可以得到该尺度下的分割结果。
面向对象技术在无人机影像信息提取中的应用
面向对象技术在无人机影像信息提取中的应用张文博1，张源2摘要：为解决无人机影像高精度信息提取问题，本文以无人机低空遥感获取的影像为数据源，将面向对象的信息提取技术运用到高分辨率的无人机影像分类中，精确而快速提取各地物信息，充分验证面向对象信息提取技术在无人机影像分类中的有效应用，以期为相关工程应用提供参考。
关键词：面向对象；无人机影像；特征提取；影像分割；混淆矩阵0 引言本文突破传统的单一利用光谱信息的影像提取技术，针对无人机影像分辨率高的特点，充分利用其地物的各种纹理特征信息、结构特征信息，利用多尺度分割技术，然后对比分析影像特征，定义各种地物的对象特征知识库，深入探讨面向对象技术在无人机影像信息提取中的应用。
1 研究区概况研究区选择在湖南省宁乡县大成桥乡，该乡位于宁乡县西南面，境内蕴含丰富自然资源。
地貌特征属于典型的丘陵地物，山溪分布均匀，水资源丰富，东低西高，南低北高，一般山峰在100m左右。
为顺利完成研究区的影像获取，采用单反数码相机进行影像采集（Canon EOS 5D Mark Ⅱ），该相机属于非量测型，所获取影像的像元为6.41um，装载镜头的焦距为24mm；对无人机航线的飞行进行预规划，航线的航向重叠率为76%，航线的旁向重叠率为45%，可以获得无人机影像地面分辨率为0.4m。
2 研究方法2.1 影像预处理无人机在飞行过程中受到高空风力的影响，飞行姿态并不稳定，这会造成无人机航拍时的航向冲跌幅和旁向重叠度并不完全规则，为了解决这些航飞时的问题，需要对获取的影像进行一定的处理工作，预处理的流程包括：相机畸变差的校正、空中三角测量、DOM 影像图处理等。
2.2 影像分割面向对象的信息提取工作基础之一就是影像分割，评价影像分割的关键具有两个指标：同质性和异质性，同质性是针对对象内部来说的，而异质性是针对相邻对象来说的。
异质性值f 包括两个方面：光谱异质性值（h color）、形状异质性值（h shape）。